spatio-temporal graphs such as traffic networks or gene regulatory systems
present challenges for the existing deep learning methods due to the complexity
of structural changes over time. To address these issues,
该研究介绍了一种新颖的基于深度学习的合成图生成器,用于表示互联网中自治系统(AS)内部的图结构,称为互联网深度生成图(DGGI)。同时,还提出了一个来自 Internet Topology Data Kit(ITDK)项目的真实自治系统内部图的大规模数据集,称为 Internet Graphs(IGraphs)。通过开发 Filter Recurrent Multi-level(FRM)算法进行社区提取,创建了 IGraphs。实验证明,DGGI 生成的合成图能够准确地再现中心性、聚集性、同配性和节点度数等特性。相较于现有的互联网拓扑生成器,DGGI 生成器的性能表现更好。在同配性、介数、聚类系数和节点度数分别为 84.4%、95.1%、97.9%和 94.7%平均提高了最大平均偏差(MMD)指标。